MR-iNet Gym：面向嵌入式软件定义无线电上深度强化学习边缘部署的框架
机器学习
2022-04-12 v1 网络与互联网体系结构
摘要
动态资源分配在下一代智能无线通信系统中起着关键作用。机器学习已被用作在这一领域取得进展的强大工具。在大多数情况下，由于这些方案的硬件部署具有挑战性，相关进展仅限于仿真。在本文中，我们首次在 GPU 嵌入式软件定义无线电（SDRs）上设计并部署了基于深度强化学习（DRL）的功率控制智能体。为此，我们提出了一种端到端框架（MR-iNet Gym），其中仿真套件与嵌入式 SDR 开发工作协同克服现实世界实现障碍。为证明可行性，我们考虑基于码分多址（DS-CDMA）的 LPI/D 收发器的分布式功率控制问题。我们首先构建与 OpenAI Gym 环境交互的 DS-CDMA ns3 模块。接下来，在复制我们硬件测试台的场景中，于该 ns3-gym 仿真环境中训练功率控制 DRL 智能体。随后，为进行边缘（嵌入式设备上）部署，训练好的模型被优化以实现实时运行且不损失性能。基于硬件的评估验证了 DRL 智能体相对于传统分布式约束功率控制（DCPC）算法的效率。更重要的是，作为首要目标，这是首个确立部署 DRL 以为下一代 GPU 嵌入式无线电提供优化分布式资源分配之可行性的工作。
引用
@article{arxiv.2204.04507,
title = {MR-iNet Gym: Framework for Edge Deployment of Deep Reinforcement Learning on Embedded Software Defined Radio},
author = {Jithin Jagannath and Kian Hamedani and Collin Farquhar and Keyvan Ramezanpour and Anu Jagannath},
journal= {arXiv preprint arXiv:2204.04507},
year = {2022}
}
备注
To appear in Proceedings of ACM Workshop on Wireless Security and Machine Learning (WiseML 2022)